探索未来的视觉革命：卷积神经网络的崭新时代（一）

💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临，让我们一起踏上这个知识之旅！

文章目录

🍋引言
🍋卷积神经网络的基本原理
🍋全连接网络 VS 卷积神经网络
🍋卷积神经网络
- 🍋卷积层
- - 🍋padding
  - 🍋stride
- 🍋池化层
🍋完整代码
🍋卷积神经网络的应用领域
🍋总结

🍋引言

当谈到深度学习和计算机视觉时，卷积神经网络（Convolutional Neural Networks，CNNs）一直是热门话题。CNNs是一类专门设计用于处理图像数据的深度学习神经网络，已经在许多领域取得了重大成功，如图像分类、目标检测、人脸识别和自动驾驶。本文将探讨卷积神经网络的基本原理、应用领域以及一些最新趋势。

🍋卷积神经网络的基本原理

卷积层（Convolutional Layer）：卷积层是CNN的核心组件，用于提取图像的特征。它通过在输入图像上滑动卷积核，对每个位置进行卷积运算，从而生成特征图。这些特征图捕获了不同位置的局部特征。
池化层（Pooling Layer）：池化层用于减小特征图的尺寸，减少计算负担，同时保留最重要的信息。常见的池化操作包括最大池化和平均池化。
全连接层（Fully Connected Layer）：全连接层将卷积层和池化层的输出连接在一起，用于执行最终的分类或回归任务。这一层通常包括多个神经元，每个神经元对应一个类别或回归目标。
激活函数（Activation Function）：在卷积层和全连接层之间，通常会应用非线性激活函数，如ReLU（Rectified Linear Unit），以引入非线性特性，增强网络的表达能力。

🍋全连接网络 VS 卷积神经网络

在开始学习卷积神经网络前，我们先来回顾一下全连接网络，正如名字，全连接代表了每一层的属于都对后面的输出有影响，当然它们之间是相互影响关联的，下图可以看出，后面会展示卷积神经网络可以拿来对比一下。
在这里插入图片描述
它们之间的差异主要体现在结构性的差异上

全连接网络：在全连接网络中，每个神经元与前一层中的每个神经元相连接。这意味着每个神经元都受到前一层中所有神经元的影响，导致参数数量迅速增加。
卷积神经网络（CNN）：CNN使用卷积层，其中神经元仅与输入数据的局部区域相连接，而不是与整个输入相连接。这减少了参数数量，使CNN在处理图像等大型数据时更加高效。

🍋卷积神经网络

下图清楚的展示了一个卷积网络，大概的流程是

input的1×28×28经过卷积层5×5的卷积
变为4×24×24的Features maps
再经过2×2的池化层变为4×12×12的Features maps
再经过5×5的卷积层变为8×8×8的Features maps
最后经过2×2的池化层，变为8×4×4的Features maps
这个部分是特征提取。经过特征提取后，进行分类器部分，这里主要是通过全连接将其转化为一维向量，最后再变为十维的输出

这里再进行一些必要的说明，全连接会导致原有的空间结构丧失，卷积神经网络可以保留原有的空间结构
池化的目的是减小尺寸减低计算复杂度，降低过拟合的风险，保留关键信息（常用的Maxpooling就是取局部最大）
convolution+subsampling=Feature Extraction

这里我们进行一下简单的扩展（栅格图像和矢量图像）

栅格图像是以像素为基础的，适用于复杂的图像和照片，但受限于分辨率和放大时的失真。矢量图像是基于数学形状的，适用于图标、标志和需要无损缩放和编辑的应用。
我们使用卷积神经网络处理的图像通常情况是栅格图像
这些栅格图像由像素组成，每个像素都有自己的颜色信息，通常表示为红、绿、蓝（RGB）或灰度值。CNN的卷积层通过在图像上滑动卷积核来识别特征，这些卷积核与图像的局部区域相连接，从而有效地捕获图像中的各种特征，如边缘、纹理和形状。

🍋卷积层

下图展示了卷积层的基本元素，由input Channel、width、height、output Channel组成，这里取其中的一个Patch，然后将其在进行上下左右的平移。
在这里插入图片描述
或许大家对上图不是很清楚，那么我们来看看下图，或许可以更直观的理解卷积运算

这里是input 是1×5×5，经过1×3×3的卷积核运算，变为1×3×3的output

注意：这里input的Channel与卷积核的Channel的一致的，最终就会得到如下的output
在这里插入图片描述
那么如果是Channel=3呢，会有什么变化，卷积核与output会产生什么变化，下图清楚的展示流程

如果堆叠起来，那会变为下图所示

那么我们再扩展一下，如果有n个Input Channel、m个Output Channel
在这里插入图片描述
注意：这里input Channel的值与卷积核的Channel相同，Output Channel与卷积核的数量相同

使用Pytorch进行演示的话

import torch
in_channels, out_channels= 5, 10
width, height = 100, 100
kernel_size = 3
batch_size = 1
input = torch.randn(batch_size,
                    in_channels,
                    width,
                    height)
conv_layer = torch.nn.Conv2d(in_channels,
                            out_channels,
                            kernel_size=kernel_size)
output = conv_layer(input)
print(input.shape)
print(output.shape)
print(conv_layer.weight.shape)

运行代码如下
在这里插入图片描述

接下来再简单介绍一下两个Conv2d的两个可选参数

🍋padding

当padding=1代表为input做一层0填充这样的Output就会和input拥有相同的尺寸了
在这里插入图片描述

import torch
input = [3,4,6,5,7,
        2,4,6,8,2,
        1,6,7,8,4,
        9,7,4,6,2,
        3,7,5,4,1]
input = torch.Tensor(input).view(1, 1, 5, 5)
conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, padding=1, bias=False)
kernel = torch.Tensor([1,2,3,4,5,6,7,8,9]).view(1, 1, 3, 3)
conv_layer.weight.data = kernel.data
output = conv_layer(input) 
print(output)

运行结果如下
在这里插入图片描述

🍋stride

这个参数是步长的意思，可以减少特征图的尺寸
在这里插入图片描述

import torch
input = [3,4,6,5,7,
        2,4,6,8,2,
        1,6,7,8,4,
        9,7,4,6,2,
        3,7,5,4,1]
input = torch.Tensor(input).view(1, 1, 5, 5)
conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, stride=2, bias=False)
kernel = torch.Tensor([1,2,3,4,5,6,7,8,9]).view(1, 1, 3, 3)
conv_layer.weight.data = kernel.data
output = conv_layer(input)
print(output)

运行结果如下=
在这里插入图片描述

🍋池化层

池化层上面已经简单介绍了，这不就不一一赘述
在这里插入图片描述

import torch
input = [3,4,6,5,
        2,4,6,8,
        1,6,7,8,
        9,7,4,6,
]
input = torch.Tensor(input).view(1, 1, 4, 4)
maxpooling_layer = torch.nn.MaxPool2d(kernel_size=2)
output = maxpooling_layer(input)
print(output)

运行结果如下
在这里插入图片描述

🍋完整代码

下图可以清楚的展示了一整个卷积流程
在这里插入图片描述
具体代码如下

import torch
import torch.nn.functional as F
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)
        self.pooling = torch.nn.MaxPool2d(2)
        self.fc = torch.nn.Linear(320, 10)
    def forward(self, x):
        batch_size = x.size(0)
        x = self.pooling(F.relu(self.conv1(x)))
        x = self.pooling(F.relu(self.conv2(x)))
        x = x.view(batch_size, -1) # flatten
        x = self.fc(x)
        return x
model = Net()

如果有GPU的话，我们可以使用GPU计算

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") 
model.to(device)

训练和测试代码如下

def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        optimizer.zero_grad()
        # forward + backward + update
        outputs = model(inputs)
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if batch_idx % 300 == 299:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 2000))
            running_loss = 0.0
 def test():
    correct = 0
    total = 0
    with torch.no_grad():
        for data in test_loader:
            inputs, target = data
            inputs, target = inputs.to(device), target.to(device)
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, dim=1)
            total += target.size(0)
            correct += (predicted == target).sum().item()
        print('Accuracy on test set: %d %% [%d/%d]' % (100 * correct / total, correct, total))